Python机器学习及实践 pdf下载

《Python机器学习及实践》内容由浅入深，既有原理介绍，又有实战操作，使读者在实践中掌握相关知识，并为解决问题提供详细的方法。

《Python机器学习及实践》具有超强的实用性，实例丰富，书中给出了80多个实例让读者理解概念、原理和算法。

《Python机器学习及实践》以理论与实践相结合为出发点，介绍Python机器学习的相关内容，即使没有机器学习基础的读者也可以快速上手。

　　Python是目前比较热门的编程语言，以简单易学、应用广泛、类库强大而著称，是实现机器学习算法的爱选语言。
　　《Python机器学习及实践/人工智能科学与技术丛书》以Python3.6.5为编写平台，以帮助读者快速上手、理论与实践相结合为出发点，介绍Python机器学习的相关内容。
　　《Python机器学习及实践/人工智能科学与技术丛书》共10章，分别介绍了机器学习的基础知识、近邻法、数据降维、分类算法、回归算法、聚类算法、神经网络、推荐算法、频繁项集、数据预处理。
　　通过《Python机器学习及实践/人工智能科学与技术丛书》的学习，读者可了解Python编程及在机器学习中的应用。
　　《Python机器学习及实践/人工智能科学与技术丛书》可作为对Python和机器学习感兴趣的初学者的参考书，也可作为从事Python开发的广大科研人员、学者、工程技术人员的参考书，还可作为高等院校人工智能、计算机等相关专业的教材。
　　《Python机器学习及实践/人工智能科学与技术丛书》突出的特点：
　　内容由浅入深，既有原理介绍，又有实战操作，使读者在实践中掌握相关知识，并为解决问题提供详细的方法。
　　具有超强的实用性，实例丰富，书中给出了80多个实例让读者理解概念、原理和算法。
　　以理论与实践相结合为出发点，介绍Python机器学习的相关内容，即使没有机器学习基础的读者也可以快速上手。

第1章 机器学习的基础知识
1．1 何谓机器学习
1．1．1 传感器和海量数据
1．1．2 机器学习的重要性
1．1．3 机器学习的表现
1．1．4 机器学习的主要任务
1．1．5 选择合适的算法
1．1．6 机器学习程序的步骤
1．2 综合分类
1．3 推荐系统和深度学习
1．3．1 推荐系统
1．3．2 深度学习
1．4 何为Python
1．4．1 使用Python软件的由来
1．4．2 为什么使用Python
1．4．3 Python设计定位
1．4．4 Python的优缺点
1．4．5 Python的应用
1．5 Python编程第一步
1．6 NumPy函数库基础
1．7 Python迭代器与生成器
1．7．1 迭代器
1．7．2 生成器
1．8 多线程
1．8．1 学习Python线程
1．8．2 线程模块
1．8．3 线程同步
1．8．4 线程优先级队列（Queue）
1．9 小结
1．10 习题

第2章 Python近邻法
2．1 k近邻法的三要素
2．1．1 k选择
2．1．2 距离度量
2．1．3 分类决策规则
2．2 k近邻法
2．3 kd树
2．3．1 什么是kd树
2．3．2 如何构建kd树
2．3．3 如何在kd树中搜索
2．4 Python实现kd树、k近邻法
2．5 小结
2．6 习题

第3章 Python数据降维
3．1 维度灾难与降维
3．2 主成分分析
3．2．1 PCA原理
3．2．2 PCA算法
3．2．3 PCA降维的两个准则
3．3 SVD降维
3．4 核主成分分析降维
3．5 流形学习降维
3．6 多维缩放降维
3．6．1 原理
3．6．2 MDS算法
3．7 等度量映射降维
3．8 局部线性嵌入
3．8．1 原理
3．8．2 LLE算法
3．9 非负矩阵分解
3．10 小结
3．11 习题
……

第4章 Python分类算法
第5章 Python回归算法
第6章 Python聚类算法
第7章 Python神经网络
第8章 Python推荐算法
第9章 Python频繁项集
第10章 Python数据预处理
参考文献

　　机器学习（Machine Learning，ML）是多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等。机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。
　　由于Python语言的简洁性、易读性及可扩展性，在国外用Python做科学计算的研究机构日益增多，一些知名大学也采用Python来教授程序设计课程，Python已经成为最受欢迎的程序设计语言之一。
　　Python在设计上坚持清晰划一的风格，这使得Python成为一门易读、易维护，并且被大量用户欢迎的、用途广泛的语言。
　　本书将机器学习背后的基本理论与应用实践联系起来，通过这种方式让读者聚焦于如何正确地提出问题、解决问题。书中讲解了如何使用Python的核心元素以及强大的机器学习库，同时还展示了如何正确使用一系列统计模型。不管你是机器学习的初学者，还是想进一步拓展对机器学习领域的认知，本书都是一个重要且不可错失的资源，它能帮助你了解如何使用Python解决机器学习中的关键问题。
　　之所以学习Python，用Python解决机器问题，是因为Python对于大数据的提取、分析完全是没有压力的，这也与其自身的特点有关。
　　本书共10章，从各方面介绍了机器学习内容，主要包括：
　　第1章机器学习的基础知识，主要介绍了机器学习的概念、综合分类、推荐系统和深度学习、Python软件相关介绍等内容。
　　第2章Python近邻法，主要介绍了k近邻法三要素、k近邻法、kd树等内容。
　　第3章Python数据降维，主要介绍了维度灾难与降维、主成分分析、SVD降维、多维缩放降维等内容。
　　第4章Python分类算法，主要介绍了逻辑回归、Softmax回归、因子分解机、支持向量机、随机森林的内容。
　　第5章Python回归算法，主要介绍了线性回归、岭回归与Lasso回归的内容。
　　第6章Python聚类算法，主要介绍了k-Means算法、MeanShift聚类算法、DBSCAN聚类的内容。
　　第7章Python神经网络，主要介绍了感知机、BP神经网络、径向基神经网络的内容。
　　第8章Python推荐算法，主要介绍了协同过滤算法、基于矩阵分解的推荐算法、基于图的推荐算法的内容。
　　第9章Python频繁项集，主要介绍了关联分析、Apriori算法、FP-Growth算法的内容。